Python 数据处理更高效：Numpy 与 Pandas 各 6 个实用函数详解

季宁

发布时间：2026-10-14| 4人浏览过

原创

本文总结并详解了 12 个用于简化 Python 数据处理的实用函数，涵盖 Numpy 和 Pandas 各 6 个。内容涉及数组索引查找、数值裁剪、条件提取、百分位计算，以及 Pandas 中的 CSV 读取优化、Series 映射、数据过滤、深拷贝、类型筛选和数据透视表生成，旨在提升数据处理效率与便捷性。

大家好，今天为大家分享 12 个 Python 数据处理中常用的辅助函数，其中 Numpy 和 Pandas 各占 6 个。掌握这些实用函数，能让数据处理工作变得更加轻松和高效。

此外，本文所使用的代码示例已整理为 Jupyter Notebook 并上传至 GitHub 项目，欢迎大家收藏学习。如果觉得内容有用，请点赞支持。

项目地址：https://github.com/kunaldhariwal/12-Amazing-Pandas-NumPy-Functions

Numpy 的 6 种高效函数

首先从 Numpy 开始介绍。Numpy 是 Python 语言中用于科学计算的扩展包，通常包含强大的 N 维数组对象、复杂函数、用于整合 C/C++和 Fortran 代码的工具，以及线性代数、傅里叶变换和随机数生成等实用功能。

除了上述主要用途，Numpy 还可以作为通用数据的高效多维容器（container），用于定义任意数据类型。这使得 Numpy 能够与各种数据库实现无缝且快速的集成。

接下来，我们将逐一解析这 6 种 Numpy 函数。

argpartition()

借助于 argpartition()，Numpy 可以找出 N 个最大数值的索引，并输出这些索引。随后，我们可以根据需要对这些数值进行排序处理。


x = np.array([12, 10, 12, 0, 6, 8, 9, 1, 16, 4, 6, 0])index_val = np.argpartition(x, -4)[-4:]
index_val
array([1, 8, 2, 0], dtype=int64)np.sort(x[index_val])
array([10, 12, 12, 16])

allclose()

allclose() 用于比较两个数组，并返回表示匹配结果的布尔值。如果两个数组在指定的公差范围内（within a tolerance）不相等，则 allclose() 返回 False。该函数对于检查两个数组是否相似非常有用。


array1 = np.array([0.12,0.17,0.24,0.29])
array2 = np.array([0.13,0.19,0.26,0.31])# with a tolerance of 0.1, it should return False:
np.allclose(array1,array2,0.1)
False# with a tolerance of 0.2, it should return True:
np.allclose(array1,array2,0.2)
True

clip()

Clip() 函数使得数组中的数值被限制在一个指定的区间内。有时，我们需要确保数值保持在上下限范围内。为此，我们可以借助 Numpy 的 clip() 函数实现该目的。给定一个区间后，区间外的数值会被裁剪至区间的上下限（interval edge）。


x = np.array([3, 17, 14, 23, 2, 2, 6, 8, 1, 2, 16, 0])np.clip(x,2,5)
array([3, 5, 5, 5, 2, 2, 5, 5, 2, 2, 5, 2])

extract()

顾名思义，extract() 用于在特定条件下从一个数组中提取特定元素。借助于 extract()，我们还可以结合使用 and 和 or 等逻辑条件进行提取。


# Random integers
array = np.random.randint(20, size=12)
array
array([ 0,  1,  8, 19, 16, 18, 10, 11,  2, 13, 14,  3])#  Divide by 2 and check if remainder is 1
cond = np.mod(array, 2)==1
cond
array([False,  True, False,  True, False, False, False,  True, False, True, False,  True])# Use extract to get the values
np.extract(cond, array)
array([ 1, 19, 11, 13,  3])# Apply condition on extract directly
np.extract(((array < 3) | (array > 15)), array)
array([ 0,  1, 19, 16, 18,  2])

where()

Where() 用于从一个数组中返回满足特定条件的元素。例如，它会返回满足特定条件的数值的索引位置。Where() 的功能与 SQL 中使用的 where condition 类似，具体示例如下：


y = np.array([1,5,6,8,1,7,3,6,9])# Where y is greater than 5, returns index position
np.where(y>5)
array([2, 3, 5, 7, 8], dtype=int64),)# First will replace the values that match the condition, 
# second will replace the values that does not
np.where(y>5, "Hit", "Miss")
array([ Miss ,  Miss ,  Hit ,  Hit ,  Miss ,  Hit ,  Miss ,  Hit ,  Hit ],dtype= <U4 )

percentile()

Percentile() 用于计算特定轴方向上数组元素的第 n 个百分位数。


a = np.array([1,5,6,8,1,7,3,6,9])
print("50th Percentile of a, axis = 0 : ",  np.percentile(a, 50, axis =0))
50th Percentile of a, axis = 0 :  6.0
b = np.array([[10, 7, 4], [3, 2, 1]])
print("30th Percentile of b, axis = 0 : ",  np.percentile(b, 30, axis =0))
30th Percentile of b, axis = 0 :  [5.1 3.5 1.9]

以上就是 Numpy 扩展包的 6 种高效函数，相信会对你的工作有所帮助。接下来，让我们看看 Pandas 数据分析库的 6 种函数。

Pandas 数据统计包的 6 种高效函数

Pandas 也是一个 Python 包，它提供了快速、灵活以及具有显著表达能力的数据结构，旨在使处理结构化（表格化、多维、异构）和时间序列数据变得既简单又直观。

Pandas 适用于以下各类数据场景：

具有异构类型列的表格数据，例如 SQL 表或 Excel 表；
有序和无序（不一定是固定频率）的时间序列数据；
带有行/列标签的任意矩阵数据（同构类型或者是异构类型）；
其他任意形式的统计数据集。事实上，数据甚至不需要标记就可以放入 Pandas 结构中。

Pandas 擅长处理的类型如下所示：

容易处理浮点数据和非浮点数据中的缺失数据（用 NaN 表示）；
大小可调整性：可以从 DataFrame 或者更高维度的对象中插入或者是删除列；
显式数据可自动对齐：对象可以显式地对齐至一组标签内，或者用户可以简单地选择忽略标签，使 Series、DataFrame 等自动对齐数据；
灵活的分组功能，对数据集执行拆分-应用-合并等操作，对数据进行聚合和转换；
简化将数据转换为 DataFrame 对象的过程，而这些数据基本是 Python 和 NumPy 数据结构中不规则、不同索引的数据；
基于标签的智能切片、索引以及面向大型数据集的子设定；
更加直观地合并以及连接数据集；
更加灵活地重塑、转置（pivot）数据集；
轴的分级标记（可能包含多个标记）；
具有鲁棒性的 IO 工具，用于从平面文件（CSV 和 delimited）、Excel 文件、数据库中加载数据，以及从 HDF5 格式中保存/加载数据；
时间序列的特定功能：数据范围的生成以及频率转换、移动窗口统计、数据移动和滞后等。

read_csv(nrows=n)

大多数人都会犯的一个错误是，在不需要完整读取 .csv 文件的情况下仍会完整地读取它。如果一个未知的 .csv 文件有 10GB，那么读取整个 .csv 文件将会非常不明智，不仅要占用大量内存，还会花很多时间。我们需要做的只是从 .csv 文件中导入几行，之后根据需要继续导入。


import io
import requests# I am using this online data set just to make things easier for you guys
url = "https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv"
s = requests.get(url).content# read only first 10 rows
df = pd.read_csv(io.StringIO(s.decode( utf-8 )),nrows=10 , index_col=0)

map()

map() 函数根据相应的输入来映射 Series 的值。它用于将一个 Series 中的每个值替换为另一个值，该值可能来自一个函数、也可能来自于一个 dict 或 Series。


# create a dataframe
dframe = pd.DataFrame(np.random.randn(4, 3), columns=list( bde ), index=[ India ,  USA ,  China ,  Russia ])#compute a formatted string from each floating point value in frame
changefn = lambda x:  %.2f  % x# Make changes element-wise
dframe[ d ].map(changefn)

apply()

apply() 允许用户传递函数，并将其应用于 Pandas 序列中的每个值。


# max minus mix lambda fn
fn = lambda x: x.max() - x.min()# Apply this on dframe that we ve just created above
dframe.apply(fn)

isin()

lsin () 用于过滤数据帧。Isin () 有助于选择特定列中具有特定（或多个）值的行。


# Using the dataframe we created for read_csv
filter1 = df["value"].isin([112]) 
filter2 = df["time"].isin([1949.000000])df [filter1 & filter2]

copy()

Copy () 函数用于复制 Pandas 对象。当一个数据帧分配给另一个数据帧时，如果对其中一个数据帧进行更改，另一个数据帧的值也将发生更改。为了防止这类问题，可以使用 copy () 函数。


# creating sample series 
data = pd.Series([ India ,  Pakistan ,  China ,  Mongolia ])# Assigning issue that we face
data1= data
# Change a value
data1[0]= USA 
# Also changes value in old dataframe
data# To prevent that, we use
# creating copy of series 
new = data.copy()# assigning new values 
new[1]= Changed value # printing data 
print(new) 
print(data)

select_dtypes()

select_dtypes() 的作用是，基于 dtypes 的列返回数据帧列的一个子集。这个函数的参数可设置为包含所有拥有特定数据类型的列，亦或者设置为排除具有特定数据类型的列。


# We ll use the same dataframe that we used for read_csv
framex =  df.select_dtypes(include="float64")# Returns only time column

最后，pivot_table() 也是 Pandas 中一个非常有用的函数。如果对 pivot_table() 在 excel 中的使用有所了解，那么就非常容易上手。


# Create a sample dataframe
school = pd.DataFrame({ A : [ Jay ,  Usher ,  Nicky ,  Romero ,  Will ], 
       B : [ Masters ,  Graduate ,  Graduate ,  Masters ,  Graduate ], 
       C : [26, 22, 20, 23, 24]})# Lets create a pivot table to segregate students based on age and course
table = pd.pivot_table(school, values = A , index =[ B ,  C ], 
                         columns =[ B ], aggfunc = np.sum, fill_value="Not Available") 
table